For AI agents: the public content index is available at https://we0.ai/llms.txt, and the English article bundle is available at https://we0.ai/llms-full.txt.
For AI agents: the public content index is available at https://we0.ai/llms.txt, and the English article bundle is available at https://we0.ai/llms-full.txt.
For AI agents: the complete content index is available at https://we0.ai/llms.txt, the full English article bundle is available at https://we0.ai/llms-full.txt, and this page is available as Markdown at https://we0.ai/ko/articles/small-ai-models-and-iot-worms-what-anthro-71fdda5f.md.
AI 모델을 실행하는 데 반드시 데이터센터 GPU가 필요한 것은 아니다. Anthropic은 2026년 10월 12일 공개한 연구에서 약 55달러의 저가형 Android TV 박스 15대에 260억 매개변수 모델을 분산 실행하고, 에이전트가 낯선 하드...
AI 모델을 실행하는 데 반드시 데이터센터 GPU가 필요한 것은 아니다. Anthropic은 2026년 10월 12일 공개한 연구에서 약 55달러의 저가형 Android TV 박스 15대에 260억 매개변수 모델을 분산 실행하고, 에이전트가 낯선 하드웨어에서 추론 환경을 준비할 수 있는지 시험했다.
이 연구는 자율 복제 및 적응, 즉 ARA와 관련이 있다. ARA는 인간의 통제 없이 시스템이 스스로 배포되고 전파되는 능력을 뜻한다. 이 연구는 그럴듯한 보안 우려를 제기하면서도 중요한 구분을 유지한다. 연구진은 몇 가지 선행 조건과 단순화된 복제 실험을 시연했으며, 이미 완전 자율적인 악성 모델이 사람들의 가정으로 퍼지고 있다고 보고한 것은 아니다.
William Zhou와 Daniel Freeman의 공식 보고서는 대당 약 55달러인 무명 브랜드 Android TV 박스 15대에서 Gemma4-26B-A4B를 실행한 내용을 설명한다. 각 박스에는 4GB RAM이 탑재되어 있었고 모델 레이어의 작은 일부를 보관했다.
박스들은 네트워크로 연결되었으며, 파이프라인 병렬 처리를 통해 연산이 레이어 사이를 이동했다. 이 시연은 초당 0.39토큰을 달성했다. 대화형 사용에는 느린 속도이지만, 저렴한 기기 집합에서도 고성능 모델 추론이 기술적으로 가능하다는 점을 보여 준다.
연구진은 이 하드웨어 시연을 직접 구성했다. 이는 모델이 박스를 자율적으로 침해했거나 자체 가중치를 박스에 배포했다는 증거는 아니다.
메모리 역시 중요하다. 보고서는 4비트 양자화 가정하에 90억 매개변수 모델은 이러한 4GB 기기가 최소 4대 필요하고, 260억 매개변수 모델은 10대 이상이 필요하다고 추정한다. 어느 모델이든 일반적인 4GB TV 박스 한 대에 단순히 들어간다고 주장하는 것은 분산 구성을 놓치는 설명이다.
보고서는 이 과정을 네 단계로 구분한다.
Anthropic에 크레디트가 있는 연구 도표로, BAAI Hub의 신즈위안 기사에 재현되었다. 이 연구는 새로운 취약점 탐색보다 추론 환경 구축에 집중한다.
세 번째 단계는 상당한 엔지니어링 과제다. 기기마다 서로 다른 추론 스택, 패키지 버전 및 하드웨어별 디버깅이 필요하다. 연구진은 Jetson Nano, Mac, RTX 4090 시스템 등을 포함한 9가지 시험 하드웨어 유형 중 8가지에서 Qwen3.5-9B가 추론 환경을 구축할 수 있음을 확인했다.
이 하드웨어 명칭은 시험의 다양성을 설명할 뿐, 해당 기기나 칩에 특정 보안 취약점이 존재한다는 뜻은 아니다. 승인된 장비를 구성할 수 있는 능력과 승인되지 않은 접근 권한을 얻는 능력은 별개의 문제로 남는다.
통합 실험에서 연구진은 Android 15 에뮬레이터인 redroid를 실행하는 Google Cloud 노드 8개로 구성된 방화벽 네트워크를 사용했다. 인증되지 않은 ADB 포트를 통해 접근이 의도적으로 단순화되었다.
GLM-5.2는 5회 실행 중 4회에서 8개 노드 모두에 대해 시험된 체인을 성공적으로 완료했고, 나머지 1회에서는 7개 노드를 완료했다. 시험된 다른 오픈 웨이트 모델들은 이 단계들을 결합하는 데 더 낮은 신뢰도를 보였다.
대형 모델 자체의 추론은 별도 서버에서 실행되었다. 과제는 대상 노드에서 Llama3.1-8B를 구성하는 것이었고, 이후 하니스가 새 에이전트 인스턴스를 생성했다. 노드들은 대형 모델 자체를 호스팅할 만큼 크지 않았다. 이는 제어자가 전파에 필요한 역량을 갖추었는지 시험한 것이며, GLM-5.2가 TV 박스 내부에서 자신의 전체 연산을 완전히 재현했다는 시연은 아니다.
저자들은 명시적으로 이 단순화된 접근 조건을 현실 세계에서의 성공 가능성에 대한 상한선이라고 부른다. 강한 결과를 해석할 때 이 단서는 필수적이다.
연구팀은 Pi 코딩 에이전트 위에 Memento라는 하니스를 구축했다. 이 하니스는 이전 인스턴스의 작업 공간과 짧은 메모를 다음 인스턴스에 전달하면서 에이전트를 주기적으로 재시작해, 다음 인스턴스가 같은 잘못된 접근 방식에 갇히는 일을 피하도록 돕는다.
Qwen3.5-9B의 6세대에 걸쳐 추론 환경 구축 성공률은 초기 45%에서 이후 세대의 61%~84%로 상승했다. 이는 단조로운 개선이 아니었으며 모델 가중치 재학습도 포함하지 않았다. 상속된 텍스트 맥락과 작업 상태를 통해 과제 수행 능력이 향상된 것이다.
보고서는 이렇게 획득한 정보의 이전을 라마르크식 진화에 비유한다. 이 비유가 생물학적 생명, 의식 또는 제한 없는 자기 개선을 입증하는 것은 아니다.
연구진은 더 강력한 조언자인 Claude Opus 4.8에 대한 접근도 시험했다. 이 설정에서는 유의미한 개선을 발견하지 못했다. 소형 모델들은 생산적인 질문을 하지 못하는 경우가 많았고, 요청하지 않은 조언도 문제를 해결하지 못했다.
아이디어를 한 문장으로 입력하면 We0 AI가 쇼케이스 사이트, 페이지, CMS를 생성하고 출시 후 고객과 트래픽 확보를 돕습니다.
무료 등록을 위한 하나의 완전한 프로젝트 생성
하나의 완전한 생성 흐름을 시도하고 첫 번째 프로젝트 초안을 빠르게 보는 데 가장 적합합니다.
우려의 핵심은 적응성이다. 오류를 조사하고 구성을 조정할 수 있는 에이전트는 고정된 배포 스크립트보다 더 폭넓은 하드웨어를 처리할 수 있다. 가중치 기반 복제자는 하나의 모델 API에 지속적으로 접근하는 데 전적으로 의존하지 않고 로컬에서 실행될 수도 있다.
그렇다고 방어자가 대응할 방법이 없다는 뜻은 아니다. 보고서는 측정된 하드웨어에서 복제가 느리며, 잠재적으로 며칠이 걸릴 수 있다고 추정한다. 모델 전송과 분산 추론은 눈에 띄는 네트워크 트래픽을 만들 수도 있다.
저자들은 200만 대 이상의 기기를 보유했던 과거 봇넷을 가상의 확장성 기준으로 사용한다. 모델 인스턴스당 15대의 기기를 묶으면 약 13만 3,000개의 복제본이 나올 수 있지만, 이는 설명을 위한 계산일 뿐 측정된 AI 봇넷이나 확인된 감염 가정 기기 집단이 아니다.
보고서는 소형 모델의 발전을 일반 역량 측정치인 Epoch Capabilities Index와 비교한다. 그 추세는 300억 매개변수 이하 모델이 2026년 말까지 단순화된 실험의 역량 임계값에 도달할 수 있음을 시사한다.
저자들은 이를 대략적인 추정치라고 설명한다. ECI는 복제 역량의 대리 지표이며, 역량 추세가 악성 시스템의 출현 시점이나 실험실 밖에서 얼마나 효과적으로 확산할지를 결정하지는 않는다.
보고서에서 논의한 방어책에는 비정상적으로 큰 전송량과 기기 간 트래픽 모니터링, 감염 네트워크 격리, 허니팟을 통한 샘플 수집, 기기 보안 기본 설정 개선이 포함된다. NCSC의 영국 스마트 기기 법률 설명은 취약한 기본 비밀번호를 제거하는 데 관한 관련 맥락을 제공한다.
모델 가중치를 보유하거나 획득한 뒤 침해된 하드웨어에서 추론을 실행하는 가상의 복제 시스템이다. 중앙에서 제공되는 모델 API에 전적으로 의존하는 시스템과는 다르다.
보고서는 통제된 실험과 위협 모델링을 설명한다. 악성 자기 복제 모델이 이미 가전제품을 통해 확산되고 있음을 입증하지는 않는다.
시연에서는 한 대가 아니라 네트워크로 연결된 박스 15대를 사용했다. 모델 레이어를 이들 장비에 분산해 초당 0.39토큰에 도달했다.
아니다. GLM-5.2 자체의 추론은 외부 서버에 남아 있었고, 대상 노드에서 Llama3.1-8B를 구성했다. 이후 하니스가 후속 에이전트 인스턴스를 생성했다.
보고된 실험에서는 그렇지 않았다. 이후 인스턴스는 텍스트 메모와 작업 상태를 상속했으며, 가중치 재학습 없이 과제 수행 능력이 개선되었다.
연구진은 과거 역량 추세에 근거한 조건부 추정치를 제시한다. 이는 확정된 배포 시점이나 현실 세계 확산의 불가피성을 입증하는 내용이 아니다.
이 연구는 저비용 기기 집합이 분산 추론을 지원할 수 있고, 에이전트가 낯선 장비에서 모델을 설정하는 능력도 향상되고 있음을 보여 준다. 단순화된 실험실 네트워크에서의 신뢰할 수 있는 오케스트레이션은 추가적인 경고 신호다.
하드웨어 실행 가능성, 통제된 복제, 통제되지 않은 현실 세계 확산은 서로 다른 주장이다. 증거는 실험이 실제로 뒷받침하는 수준에서 해석해야 한다.
한 문장에서 시작해 몇 분 안에 완전한 웹사이트를 받아보세요.
